論文の概要: SPot-the-Difference Self-Supervised Pre-training for Anomaly Detection and Segmentation

• arxiv url: http://arxiv.org/abs/2207.14315v1
• Date: Thu, 28 Jul 2022 18:00:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-01 12:51:44.045276
• Title: SPot-the-Difference Self-Supervised Pre-training for Anomaly Detection and Segmentation
• Title（参考訳）: SPOT-the-Difference Self-Supervised Pre-training for Anomaly Detection and Segmentation
• Authors: Yang Zou, Jongheon Jeong, Latha Pemula, Dongqing Zhang, Onkar Dabeer
• Abstract要約: 我々は,高解像度カラー画像10,821枚(正常9,621枚,異常1200枚)からなるVisual Anomaly (VisA) データセットを3つの領域で12個のオブジェクトに対してリリースした。 本研究では,SPD(SPot-the-Difference)という自己教師付きフレームワークを提案する。 VisAとMVTec-ADデータセットの実験では、SPDはコントラスト付き事前トレーニングベースラインや教師付き事前トレーニングさえも一貫して改善している。
• 参考スコア（独自算出の注目度）: 17.954335118363964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual anomaly detection is commonly used in industrial quality inspection. In this paper, we present a new dataset as well as a new self-supervised learning method for ImageNet pre-training to improve anomaly detection and segmentation in 1-class and 2-class 5/10/high-shot training setups. We release the Visual Anomaly (VisA) Dataset consisting of 10,821 high-resolution color images (9,621 normal and 1,200 anomalous samples) covering 12 objects in 3 domains, making it the largest industrial anomaly detection dataset to date. Both image and pixel-level labels are provided. We also propose a new self-supervised framework - SPot-the-difference (SPD) - which can regularize contrastive self-supervised pre-training, such as SimSiam, MoCo and SimCLR, to be more suitable for anomaly detection tasks. Our experiments on VisA and MVTec-AD dataset show that SPD consistently improves these contrastive pre-training baselines and even the supervised pre-training. For example, SPD improves Area Under the Precision-Recall curve (AU-PR) for anomaly segmentation by 5.9% and 6.8% over SimSiam and supervised pre-training respectively in the 2-class high-shot regime. We open-source the project at http://github.com/amazon-research/spot-diff .
• Abstract（参考訳）: 視覚異常検出は産業品質検査で一般的に用いられる。 本稿では,1クラスと2クラスの5/10/ハイショットトレーニング設定における異常検出とセグメンテーションを改善するために,新しいデータセットと,ImageNet事前学習のための自己教師付き学習手法を提案する。 3つの領域の12のオブジェクトをカバーする10,821個の高解像度カラーイメージ(9,621個の正常および1,200個の異常サンプル)からなるvisaデータセットをリリースし、これまでで最大の産業用異常検出データセットとなった。 画像および画素レベルのラベルが提供される。 また,SPD(SPot-the-Difference)という,SimSiam,MoCo,SimCLRなどの自己教師付き事前トレーニングを正規化して,異常検出タスクにより適する,新たな自己教師付きフレームワークを提案する。 VisA と MVTec-AD データセットを用いた実験により、SPD は対照的な事前学習ベースラインや教師付き事前学習さえも一貫して改善していることが示された。 例えば、SPDは異常セグメンテーションの精度-リコール曲線(AU-PR)の面積をSimSiamより5.9%、SimSiamより6.8%改善し、それぞれ2級ハイショット方式で事前訓練を監督している。 このプロジェクトをhttp://github.com/amazon-research/spot-diffでオープンソース化しました。

関連論文リスト

• Few-shot Online Anomaly Detection and Segmentation [29.693357653538474]
  本稿では,難易度の高いオンライン異常検出・セグメンテーション(FOADS)の課題に対処することに焦点を当てる。 FOADSフレームワークでは、モデルを数ショットの通常のデータセットでトレーニングし、その後、正常サンプルと異常サンプルの両方を含む未ラベルのストリーミングデータを活用することで、その能力の検査と改善を行う。 限られたトレーニングサンプルを用いた性能向上のために,ImageNetで事前学習したCNNから抽出したマルチスケール特徴埋め込みを用いて,ロバストな表現を得る。
  論文  参考訳（メタデータ） (2024-03-27T02:24:00Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• TAB: Text-Align Anomaly Backbone Model for Industrial Inspection Tasks [12.660226544498023]
  本稿では,製造領域に適したバックボーンモデルを十分に訓練するための新しい枠組みを提案する。 本手法では,正常な状態と異常な状態に対する視覚的,テキスト的に整列した埋め込み空間を同時に検討する。 その結果、事前訓練されたバックボーンは、工業的な下流タスクのパフォーマンスを著しく向上させる。
  論文  参考訳（メタデータ） (2023-12-15T01:37:29Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Self-Supervised Pre-Training for Transformer-Based Person Re-Identification [54.55281692768765]
  トランスフォーマーに基づく教師付き事前訓練は、人物再識別(ReID)において大きなパフォーマンスを達成する ImageNetとReIDデータセットのドメインギャップのため、通常、パフォーマンスを高めるために、より大きなトレーニング済みデータセットが必要です。 この研究は、データとモデル構造の観点から、事前トレーニングデータセットとReIDデータセットのギャップを軽減することを目的としている。
  論文  参考訳（メタデータ） (2021-11-23T18:59:08Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• NVAE-GAN Based Approach for Unsupervised Time Series Anomaly Detection [19.726089445453734]
  時系列異常検出は、多くの業界で一般的だが難しい課題である。 実世界から収集されたノイズデータから,時系列の異常を高精度に検出することは困難である。 我々は異常検出モデルを提案する:時系列から画像VAE (T2IVAE)
  論文  参考訳（メタデータ） (2021-01-08T08:35:15Z)
• Plug-and-Play Anomaly Detection with Expectation Maximization Filtering [9.642625267699488]
  群衆監視のためのプラグアンドプレイのスマートカメラは、典型的な異常検出とは異なる多くの制約がある。 本研究では,現場の物体の動作を教師なしで学習するコア異常検出ニューラルネットワークを提案する。 私たちの研究は、自律的なプラグアンドプレイ型スマートカメラを使って、群衆の異常検出にディープラーニングを使うための第一歩だと信じています。
  論文  参考訳（メタデータ） (2020-06-16T05:28:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。